基于非线性学习理论的非常规储层基本参数测井评价
| 摘要 | 第1页 |
| Abstract | 第5-6页 |
| 详细摘要 | 第6-9页 |
| Detailed Abstract | 第9-15页 |
| 第一章 引言 | 第15-29页 |
| ·研究目的与意义 | 第15-16页 |
| ·国内外研究现状 | 第16-22页 |
| ·煤层气储层测井响应特征研究现状 | 第16-18页 |
| ·页岩气储层测井响应特征研究现状 | 第18-21页 |
| ·研究存在的问题 | 第21-22页 |
| ·研究内容与方法路线 | 第22-24页 |
| ·研究内容 | 第22-23页 |
| ·研究方法和技术路线 | 第23-24页 |
| ·完成的工作量与创新点 | 第24-29页 |
| ·完成的主要工作 | 第24-27页 |
| ·主要创新点 | 第27-29页 |
| 第二章 非线性学习理论 | 第29-53页 |
| ·有监督学习理论概述 | 第29-39页 |
| ·神经元基本概念 | 第29-34页 |
| ·Rosenblatt 感知器 | 第34-35页 |
| ·线性神经网络 | 第35-39页 |
| ·BP 神经网络学习理论 | 第39-46页 |
| ·BP 神经网络的拓扑结构 | 第39-40页 |
| ·BP 神经网络原理及实现 | 第40-43页 |
| ·BP 神经网络算法的改进 | 第43-46页 |
| ·支持向量机学习理论 | 第46-51页 |
| ·线性可分的最优超平面 | 第46-48页 |
| ·线性不可分的最优超平面 | 第48页 |
| ·核函数 | 第48-49页 |
| ·支持向量机（SVM)回归 | 第49-51页 |
| ·小结 | 第51-53页 |
| 第三章 煤层气储层测井响应特征 | 第53-83页 |
| ·煤的测井响应 | 第53-55页 |
| ·煤层气的测井响应特征 | 第55-58页 |
| ·煤体结构识别 | 第58-81页 |
| ·研究区基本地质条件 | 第59-60页 |
| ·煤体结构的测井响应特征 | 第60-72页 |
| ·煤体结构的测井响应识别 | 第72-81页 |
| ·小结 | 第81-83页 |
| 第四章 煤层含气量解释模型 | 第83-95页 |
| ·基于测井参数的煤层含气量预测方法 | 第83-85页 |
| ·相关分析和交会图分析法优选测井响应 | 第83-84页 |
| ·基于 Elman 的神经网络学习算法优化 | 第84-85页 |
| ·基于测井响应的煤层含气量预测模型 | 第85-93页 |
| ·研究区地质概况 | 第85-86页 |
| ·煤层含气量测井响应参数优选 | 第86-90页 |
| ·预测模型的建立 | 第90-91页 |
| ·预测结果及误差分析 | 第91-93页 |
| ·小结 | 第93-95页 |
| 第五章 页岩气储层特征及测井响应机理 | 第95-111页 |
| ·页岩气储层的岩性特征 | 第95-96页 |
| ·页岩的测井响应特征 | 第96-101页 |
| ·页岩气储集层的测井响应特征 | 第101-102页 |
| ·支持向量机岩性识别 | 第102-107页 |
| ·识别方法 | 第102-105页 |
| ·支持向量机岩性分类实例 | 第105-107页 |
| ·页岩气储层力学参数分析 | 第107-109页 |
| ·小结 | 第109-111页 |
| 第六章 总有机碳（TOC）含量及含气量预测 | 第111-123页 |
| ·TOC 含量预测方法 | 第111-114页 |
| ·数据归一化 | 第111页 |
| ·测井参数优选方法 | 第111-112页 |
| ·基于交叉验证（CV)的 SVR 结构参数优化 | 第112-113页 |
| ·TOC 含量预测方法流程 | 第113-114页 |
| ·页岩气储层 TOC 含量与测井参数关系及模型 | 第114-120页 |
| ·研究区地质概况 | 第114页 |
| ·TOC 含量与测井参数相关关系 | 第114-116页 |
| ·支持向量机（SVR)的回归预测模型 | 第116-118页 |
| ·BP 神经网络预测模型 | 第118-120页 |
| ·页岩气储层含气量计算 | 第120-122页 |
| ·小结 | 第122-123页 |
| 第七章 非常规储层基本参数测井评价系统 | 第123-133页 |
| ·需求分析 | 第123页 |
| ·软件工作流程及开发工具 | 第123-124页 |
| ·系统功能的具体实现 | 第124-129页 |
| ·数据编辑及转换功能 | 第124-125页 |
| ·煤体结构识别功能 | 第125-127页 |
| ·煤层含气量预测功能 | 第127-128页 |
| ·页岩气储层岩性识别功能 | 第128页 |
| ·页岩气储层 TOC 含量预测功能 | 第128-129页 |
| ·模型算法优化 | 第129-131页 |
| ·BP 神经网络算法改进 | 第129-131页 |
| ·SVM 算法的改进 | 第131页 |
| ·软件系统的应用 | 第131页 |
| ·小结 | 第131-133页 |
| 第八章 结论及展望 | 第133-137页 |
| 参考文献 | 第137-147页 |
| 致谢 | 第147-149页 |
| 作者简介 | 第149页 |
